File size: 40,556 Bytes
5eaaf2d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 |
---
base_model: cointegrated/rubert-tiny2
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_precision@1
- cosine_precision@3
- cosine_recall@1
- cosine_recall@3
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
- dot_accuracy@1
- dot_accuracy@3
- dot_precision@1
- dot_precision@3
- dot_recall@1
- dot_recall@3
- dot_ndcg@10
- dot_mrr@10
- dot_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1647
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: не активна кнопка выполнить в задачах ,не уходят задачи из архива.
sentences:
- Пожалуйста, создайте заявку в разделе "Зарплатная карта", выбрав подтему "Изменение
банковских реквизитов"
- 'В соответствии со ст. 65 ТК РФ работник должен представить, а работодатель обязан
потребовать документы, необходимые для заключения трудового договора. Военнообязанные
и лица, подлежащие призыву на военную службу, при заключении трудового договора
должны предъявить документы воинского учета. В силу Положения о воинском учете,
утвержденного Постановлением Правительства РФ от 25 декабря 1998 г. N 1541, основными
документами воинского учета являются: для граждан, пребывающих в запасе, - военный
билет (временное удостоверение, выданное взамен военного билета). Так как мужчины
офицерских званий являются военнообязанными до 65-70 лет, считать кандидата невоеннообязанным,
опираясь на данные возраста, нет возможности. Кандидат обязан предоставить военный
билет с отметкой о снятии с учета или справку из военного комиссариата с соответствующей
информацией. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz'
- 'Первым делом, просьба очистить кэш/куки браузера (сочетание клавиш ctrl+shift+del,
выбрать "Удалить: Всё", нажать ОК). Далее перезайти в ЛК. Если это не помогло
просьба подать заявку, нажав ниже кнопку "Создать заявку" и выбрать соответствующую
тему.'
- source_sentence: истекает СТД
sentences:
- Для продления срочного трудового договора создайте, пожалуйста, заявку на сотрудника
по теме "Изменение режима характера работы", выбрав подтему "Продление СТД, перевод
на время отсутствия основного работника/Перевод на бессрочный ТД"
- В соответствии с ч. 4 ст. 153 ТК РФ по желанию сотрудника, который работал в выходной
(нерабочий праздничный) день, ему может быть предоставлен другой день отдыха.
В этом случае работа в выходной или нерабочий праздничный день оплачивается в
одинарном размере, а день отдыха оплате не подлежит.
- Отпуск ЧАЭС компенсируется только при увольнении.
- source_sentence: В ЛК нет вкладки удаленная работа
sentences:
- Пожалуйста, обратитесь к непосредственному руководителю, чтобы он создал заявку
в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения
мероприятия Вы сможете создать заявку в Личном кабинете по теме «Отпуска и прочие
отсутствия», подтема «Отгул за ранее отработанный выходной или праздничный день»,
указав новый период отсутствия.
- Если руководитель не успел согласовать или не согласовать задачу по ЭЛН, БЛ автоматически
согласовывается
- 'Критерии доступности сервиса Удаленная Работа: 1.Сотрудник не на нулевой занятости:
процент соединения (ИТ 1001) между штатной должностью и табельным номером на текущую
дату больше 0; 2.Сотрудник на офисном графике работы: в ИТ 0007 Нормативное рабочее
время на текущую дату установлен график, который в соответствии с Правилом ГРВ
(таблица T508A) является офисным – поле KKRKH принимает одно из значений: {1;
2; 3; 4; 6}; 3.У сотрудника есть руководитель: наличие на текущую дату соединения
(ИТ 1001) B012 между ОЕ сотрудника и ШД руководителям или BZ10 между ШД сотрудника
и ШД руководителя; 4.Уровень CEO- руководителя сотрудника позволяет принимать
заявки на УР: на штатной должности руководителя сотрудника установленное на текущую
дату значение атрибута (ИТ 1222) Z_PM_CEO Уровень подчиненности до СЕО по сценарию
Z_PM Управление эффективностью должностей отсутствует в таблице ZHRT_ESS_REMAPP
для формата сотрудника (на данный момент ограничение только на CEO и -1 5.Сотруднику
установлен признак «Удаленный офис»: на ШД сотрудника / на ОЕ сотрудника / на
вышестоящей ОЕ (по пути анализа P-S-O-O) в ИТ 1010 Комп/ВспомСредства подтипе
9021 Работа на дому установлено значение 002 Удаленный офис. Если какой-то из
критериев не выполняется, вкладка «удаленная работа» в личном кабинете будет не
доступна. Для внесения изменений в систему SAP, необходимо обратиться к специалистам
по кадрам.'
- source_sentence: Неправильно был выбран период и заявку на УР отклонили. Как создать
новую заявку?
sentences:
- После отклонения заявки на УР, возможность создать новую возникает не мгновенно.
Просьба перезайти в ЛК в конце рабочего дня, возможность создания заявки должна
уже появиться
- Для проведения перевода, пожалуйста, создайте заявку в разделе "Создать заявку
на сотрудника", выберите блок "Изменения по сотрудникам", подтему "Перевод перемещение.
Подробная информация по созданию заявки размещена в "Базе знаний ".
- Прежде чем создавать заявку, пожалуйста попробуйте самостоятельно выпустить ЭЦП
на странице "электронные подписи" в личном разделе ЛК
- source_sentence: Какие документы нужны для приема иностранного гражданина?
sentences:
- Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее
время", выбрав подтему "Открытие табеля".
- 'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод
паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе
АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата
(Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство
либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная
карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной
службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку
у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка.
8) Актуальная прописка или свидетельство о временной регистрации по месту жительства
(соответствующую субъекту трудоустройства). Срок окончания действия документов
должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по
ссылке https://company-x5.ru/cms/zayavkaskillaz'
- Данная заявка была завершена т.к истек срок на согласование, Вам требуется оформить
новую заявку, после чего она будет отправлена на согласование.
model-index:
- name: SentenceTransformer based on cointegrated/rubert-tiny2
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: single answer eval
type: single_answer_eval
metrics:
- type: cosine_accuracy@1
value: 0.8087431693989071
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9453551912568307
name: Cosine Accuracy@3
- type: cosine_precision@1
value: 0.8087431693989071
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3161303379882615
name: Cosine Precision@3
- type: cosine_recall@1
value: 0.07638375252218604
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.08937707371222856
name: Cosine Recall@3
- type: cosine_ndcg@10
value: 0.2021464725440391
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8806447027303121
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.08687907308027706
name: Cosine Map@100
- type: dot_accuracy@1
value: 0.8087431693989071
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.9453551912568307
name: Dot Accuracy@3
- type: dot_precision@1
value: 0.8087431693989071
name: Dot Precision@1
- type: dot_precision@3
value: 0.3161303379882615
name: Dot Precision@3
- type: dot_recall@1
value: 0.07638375252218604
name: Dot Recall@1
- type: dot_recall@3
value: 0.08937707371222856
name: Dot Recall@3
- type: dot_ndcg@10
value: 0.2021464725440391
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.8806447027303121
name: Dot Mrr@10
- type: dot_map@100
value: 0.08687907308027706
name: Dot Map@100
---
# SentenceTransformer based on cointegrated/rubert-tiny2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2). It maps sentences & paragraphs to a 312-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2) <!-- at revision dad72b8f77c5eef6995dd3e4691b758ba56b90c3 -->
- **Maximum Sequence Length:** 2048 tokens
- **Output Dimensionality:** 312 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 2048, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 312, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Normalize()
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("WpythonW/RUbert-tiny_custom")
# Run inference
sentences = [
'Какие документы нужны для приема иностранного гражданина?',
'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата (Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка. 8) Актуальная прописка или свидетельство о временной регистрации по месту жительства (соответствующую субъекту трудоустройства). Срок окончания действия документов должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz',
'Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее время", выбрав подтему "Открытие табеля".',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 312]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Dataset: `single_answer_eval`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| cosine_accuracy@1 | 0.8087 |
| cosine_accuracy@3 | 0.9454 |
| cosine_precision@1 | 0.8087 |
| cosine_precision@3 | 0.3161 |
| cosine_recall@1 | 0.0764 |
| cosine_recall@3 | 0.0894 |
| cosine_ndcg@10 | 0.2021 |
| cosine_mrr@10 | 0.8806 |
| **cosine_map@100** | **0.0869** |
| dot_accuracy@1 | 0.8087 |
| dot_accuracy@3 | 0.9454 |
| dot_precision@1 | 0.8087 |
| dot_precision@3 | 0.3161 |
| dot_recall@1 | 0.0764 |
| dot_recall@3 | 0.0894 |
| dot_ndcg@10 | 0.2021 |
| dot_mrr@10 | 0.8806 |
| dot_map@100 | 0.0869 |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 1,647 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 11.46 tokens</li><li>max: 54 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 62.33 tokens</li><li>max: 371 tokens</li></ul> |
* Samples:
| anchor | positive |
|:--------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Какие документы необходимо предоставить при приеме беженцев?</code> | <code>Вариант 1: 1) действующее удостоверение беженца: документ, удостоверяющий личность на территории РФ; 2) регистрация по месту пребывания; 3) СНИЛС (при наличии); 4) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 2: 1) действующее свидетельство о предоставлении временного убежища: документ, удостоверяющий личность на территории РФ; 2) может быть предоставлен паспорт, но основанием для трудоустройства будет именно свидетельство; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 3: 1) паспорт гражданина Украины, Донецкой Народной Республики или Луганской Народной Республики; 2) документ, подтверждающий прохождение дактилоскопии и фотографирования. Данные должны совпадать с данными в паспорте; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 6) документ, подтверждающий время пребывания на территории РФ*. Вариант 4: 1) действующий паспорт гражданина Украины/ЛНР/ДНР; 2) действующий патент (указанная в нем территория действия соответствует региону трудоустройства)/РВП/ВНЖ; 3) миграционная карта; 4) регистрация по месту пребывания; 5) СНИЛС (при наличии); 6) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 7) для ИГ с РВП или ВНЖ документ, подтверждающий время пребывания на территории РФ*. Вариант 5: При наличии у кандидата паспорта гражданина РФ трудоустройство осуществляется по стандартной процедуре приема на работу граждан РФ. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz</code> |
| <code>Что такое МЧД и зачем она нужна?</code> | <code>Ранее, если для подписания документов требовалась квалифицированная электронная подпись, то применялась усиленная квалифицированная электронная подпись юридического лица – УКЭП ЮЛ. Особенность этой электронной подписи (ЭП) состояла в том, что владельцем сертификата была указана организация наряду с сотрудником. Если упростить, то такую ЭП можно представить как подпись и печать на любом бумажном документе. С 01.09.2023 в силу вступили правки в Федеральный закон РФ № 63‑ФЗ «Об электронной подписи». Суть этих правок в следующем: · выпуск УКЭП ЮЛ возможен только для Генеральных директоров компании и только в удостоверяющем центре Федеральной налоговой службы · если сотруднику для электронного подписания необходима квалифицированная ЭП, то он должен применять усиленную квалифицированную электронную подпись физического лица – УКЭП ФЛ и машиночитаемую доверенность – МЧД. Т.е. по аналогии с печатью и подписью на бумаге: УКЭП ФЛ – собственноручная подпись, МЧД – печать, которая подтверждает полномочия подписанта. · все УКЭП ЮЛ, выпущенные до 01.09.2023 действуют до конца своего срока (1 год).Детально о УКЭП ФЛ можно прочитать тут: https://company-x5.ru/cms/UC6 МЧД – машиночитаемая доверенность (доверенность в машиночитаемом виде), выпускаемая в xml-формате, подписанная представителем ЮЛ: в нашем случае – Генеральным директором.</code> |
| <code>скидка сотрудника</code> | <code>По карте программы лояльности Х5 (ПЛ) для сотрудника в магазинах «Пятёрочка» действует скидка на следующих условиях:<br>Скидка 5% на весь чек (включая сезонные и промо акции), за исключением готовой еды, табачной продукции, алкогольной продукции по МРЦ (минимальной розничной цене).<br>Скидка 20% на готовую еду, включая: всю кулинарию, хлеб и выпечку из пекарни, напитки из зоны самообслуживания (горячий кофе/чай и свежевыжатый апельсиновый сок) – данная категория не должна быть выбрана в качестве «Любимой категории».<br>Скидка предоставляется на первые 2 покупки, совершенные с применением карты лояльности в день (с 3-его чека в сутки скидка сотрудника не применяется).<br>Скидка применяется как на классических кассах, так и на кассах самообслуживания.<br>Доступно списание баллов ПЛ в чеке с примененной скидкой сотрудника (с прокатыванием физической карты или сканированием штрих-кода, открытого в мобильном приложении «Пятёрочка» на своём мобильном устройстве).<br>Стандартные правила ПЛ по начислению и списанию баллов.<br>В магазинах «Перекрёсток» по картам сотрудников «Пятёрочки» работает единая программа лояльности, скидка сотрудника «Пятёрочки» не применяется.<br>Скидка не действует на онлайн-заказы.<br>Скидка 10% при заказе товаров в мобильном приложении Пятёрочки «Доставка» по промо-коду X5RETAILTEAM_1.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 512
- `num_train_epochs`: 50
- `load_best_model_at_end`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 512
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 50
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: True
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `eval_use_gather_object`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | single_answer_eval_cosine_map@100 |
|:--------:|:-------:|:-------------:|:---------------------------------:|
| 2.5 | 5 | 4.3172 | 0.0670 |
| 5.0 | 10 | 4.1303 | 0.0694 |
| 7.5 | 15 | 4.1359 | 0.0709 |
| 10.0 | 20 | 4.0041 | 0.0717 |
| 12.5 | 25 | 4.046 | 0.0725 |
| 15.0 | 30 | 3.9099 | 0.0728 |
| 2.5 | 5 | 3.8625 | 0.0746 |
| 5.0 | 10 | 3.7396 | 0.0770 |
| 7.5 | 15 | 3.7788 | 0.0782 |
| 10.0 | 20 | 3.6576 | 0.0793 |
| 12.5 | 25 | 3.6948 | 0.0807 |
| 15.0 | 30 | 3.5424 | 0.0818 |
| 17.5 | 35 | 3.6012 | 0.0824 |
| 20.0 | 40 | 3.4924 | 0.0832 |
| 22.5 | 45 | 3.5435 | 0.0838 |
| 25.0 | 50 | 3.4052 | 0.0843 |
| 27.5 | 55 | 3.4728 | 0.0847 |
| 30.0 | 60 | 3.366 | 0.0851 |
| 32.5 | 65 | 3.4351 | 0.0857 |
| 35.0 | 70 | 3.3192 | 0.0861 |
| 37.5 | 75 | 3.427 | 0.0864 |
| 40.0 | 80 | 3.2997 | 0.0865 |
| 42.5 | 85 | 3.4185 | 0.0866 |
| 45.0 | 90 | 3.2749 | 0.0867 |
| 47.5 | 95 | 3.3777 | 0.0869 |
| **50.0** | **100** | **3.2882** | **0.0869** |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.0.1
- Transformers: 4.44.0
- PyTorch: 2.4.0
- Accelerate: 0.34.2
- Datasets: 2.21.0
- Tokenizers: 0.19.1
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |